| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 引言 | 第10页 |
| 1.2 课题研究背景和意义 | 第10-11页 |
| 1.3 国内外研究现状及难点 | 第11-12页 |
| 1.4 本文研究的主要内容与创新点 | 第12-13页 |
| 1.5 本文的结构安排 | 第13-14页 |
| 第二章 课题相关理论及技术路线 | 第14-26页 |
| 2.1 叙述图像的预处理 | 第14-17页 |
| 2.1.1 彩色空间到灰度空间 | 第14页 |
| 2.1.2 高斯平滑 | 第14-15页 |
| 2.1.3 图像二值化 | 第15-16页 |
| 2.1.4 数字形态学 | 第16-17页 |
| 2.2 车辆检测方法 | 第17-21页 |
| 2.2.1 两步检测策略 | 第18-20页 |
| 2.2.2 多步检测策略 | 第20-21页 |
| 2.3 帧差法 | 第21-24页 |
| 2.3.1 背景模型差分法 | 第22页 |
| 2.3.2 本文中的帧差法 | 第22-24页 |
| 2.4 本文的技术路线 | 第24-25页 |
| 2.5 小结 | 第25-26页 |
| 第三章 Haar-like矩形特征和积分图像法 | 第26-36页 |
| 3.1 Haar-like矩形特征 | 第26-31页 |
| 3.1.1 Haar-like矩形特征的由来 | 第26-27页 |
| 3.1.2 本文采用Haar-like矩形特征 | 第27-28页 |
| 3.1.3 Haar-like矩形特征的定义 | 第28-30页 |
| 3.1.4 子窗口中Haar-like矩形特征的数量的计算 | 第30-31页 |
| 3.2 利用积分图像法快速计算Haar-like矩形特征 | 第31-34页 |
| 3.2.1 0°角的积分图像和计算RecSum(r_1) | 第31-32页 |
| 3.2.2 45°角的积分图像和计算RecSum(r_1) | 第32-34页 |
| 3.3 小结 | 第34-36页 |
| 第4章 车辆分类器的设计 | 第36-46页 |
| 4.1 AdaBoost算法 | 第36-38页 |
| 4.1.1 AdaBoost算法介绍 | 第36-37页 |
| 4.1.2 本文采用的AdaBoost算法 | 第37-38页 |
| 4.2 Gentle AdaBoost算法 | 第38-41页 |
| 4.2.1 Haar-like矩形特征的弱分类器形式 | 第38-39页 |
| 4.2.2 弱分类器的设计 | 第39-40页 |
| 4.2.3 强分类器的设计 | 第40-41页 |
| 4.3 树形分类器设计 | 第41-45页 |
| 4.3.1 K-均值(K—means)聚类算法 | 第41-42页 |
| 4.3.2 树形分类器设计 | 第42-44页 |
| 4.3.3 “U”组合特征强分类器 | 第44-45页 |
| 4.4 小结 | 第45-46页 |
| 第五章 实验及结果分析 | 第46-60页 |
| 5.1 实验平台 | 第46页 |
| 5.2 样本库的建立 | 第46-48页 |
| 5.2.1 训练样本库 | 第46-48页 |
| 5.2.2 测试样本库 | 第48页 |
| 5.3 练车辆分类器 | 第48-52页 |
| 5.3.1 样本准备工作 | 第48-50页 |
| 5.3.2 样本预处理 | 第50-51页 |
| 5.3.3 训练树形车辆分类器 | 第51-52页 |
| 5.4 分类器性能测试 | 第52-58页 |
| 5.4.1 测试图像库实验 | 第52-58页 |
| 5.4.2 实验结果分析 | 第58页 |
| 5.5 本章小结 | 第58-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 工作总结 | 第60页 |
| 6.2 展望 | 第60-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 附录A (攻读学位期间的研究成果) | 第67-68页 |
| 附录B 关于OpenCV的介绍及安装配置 | 第68-71页 |
